Diffusion découplée dans l'espace de fonctions pour la modélisation directe et inverse dans la capture et le stockage du carbone
Image générée par Gemini AI
Un nouveau cadre, Fun-DDPS, améliore la caractérisation des flux souterrains pour la capture et le stockage de carbone (CSC) en s'attaquant aux défis posés par les problèmes inverses avec des données rares. Il combine des modèles de diffusion avec des substituts d'opérateurs neuronaux, atteignant une erreur de 7,7 % dans la modélisation directe avec seulement 25 % d'observations, soit une amélioration de 11 fois par rapport aux méthodes standard. De plus, Fun-DDPS valide des solveurs inverses basés sur la diffusion par rapport à l'échantillonnage par rejet, produisant des résultats physiquement cohérents avec une efficacité d'échantillonnage quatre fois meilleure. Cette avancée pourrait considérablement améliorer l'assimilation des données dans les efforts de CSC.
Nouveau Cadre Améliore la Modélisation de la Capture et du Stockage du Carbone
Un nouveau cadre génératif, Fun-DDPS, vise à améliorer la modélisation des flux souterrains dans les applications de Capture et de Stockage du Carbone (CSC). Cette approche répond aux défis posés par les problèmes inverses et les données d'observation rares, montrant une performance supérieure par rapport aux méthodes traditionnelles.
Fun-DDPS fusionne des modèles de diffusion dans l'espace des fonctions avec des substituts d'opérateurs neuronaux différentiables pour la modélisation. Il apprend une distribution a priori des paramètres géologiques à travers un modèle de diffusion à canal unique et utilise un substitut d'Opérateur Neuronal Local (LNO) pour une orientation conforme à la physique. Cette technique permet à Fun-DDPS de récupérer des informations manquantes dans l'espace des paramètres tout en améliorant l'assimilation des données.
Améliorations de Performance
L'efficacité de Fun-DDPS a été évaluée à l'aide de jeux de données de modélisation synthétiques pour la CSC, aboutissant à deux résultats significatifs :
- Efficacité de la Modélisation Avancée : En utilisant seulement 25 % des observations disponibles, Fun-DDPS a atteint une erreur relative de 7,7 %, une amélioration substantielle par rapport aux modèles substituts standards, qui ont enregistré une erreur relative de 86,9 %.
- Validation de la Modélisation Inverse : Fun-DDPS a été validé par rapport aux postérieurs de Rejet (RS) asymptotiquement exacts, atteignant une divergence de Jensen-Shannon de moins de 0,06 par rapport aux données de référence, et un quadruplement de l'efficacité d'échantillonnage par rapport à l'échantillonnage par rejet.
Sujets connexes :
📰 Source originale : https://arxiv.org/abs/2602.12274v1
Tous les droits et crédits appartiennent à l'éditeur original.